Ejendomssektoren arbejder på en anden tidslinje end de fleste sektorer. En bygning bliver designet, opført, udlejet, forvaltet og til sidst bæredygtighedsforbedret eller udviklet på ny over en periode på årtier. Data om et objekt opstår i faser, der ofte er organiseret uafhængigt af hinanden: udvikleren, entreprenøren, forvalteren og investoren holder hver deres egne systemer, med egne definitioner af, hvad en kvadratmeter, en lejekontrakt eller en vedligeholdelsesstatus præcist indebærer. Hvor en sektor som engroshandel har at gøre med hurtigt skiftende transaktionsdata, har ejendomssektoren at gøre med langsomme, fragmenterede data, der sjældent samles på ny, når en fase er afsluttet.
Denne fragmentering er kernen i, hvor AI-modenhed går i stå i denne sektor. Ikke fordi sektoren er konservativ, men fordi arbejdets struktur — objekter, der skifter ejer, kontrakter, der overdrages, systemer, der varierer efter rolle — gør det vanskeligt at få ét sammenhængende billede af en portefølje. En AI-anvendelse, der forudsiger vedligeholdelse eller tomgang, er kun så god som de data, den bygger på, og de data er i ejendomssektoren oftere spredte end komplette.
Modenhedsmålingen fra hybridresourcing arbejder med fem niveauer: baseline, foundation, activation, insight og intelligence, målt på tværs af syv dimensioner. I ejendomsorganisationer bemærkes det ofte, at de fundamentale dimensioner — organisation, IT-infrastruktur og datastyring — halter bagefter de ambitioner, der udtales på direktionsniveau om AI inden for vurdering, forvaltning eller energipræstation. Der tales om intelligente løsninger, mens de underliggende systemer stadig varierer fra afdeling til afdeling, fra objekttype til objekttype eller fra forvalter til forvalter.
Det er ikke et spørgsmål om en rækkefølge, man kan vende om. De afhængige dimensioner — hvor organisationen reelt anvender AI — kan ikke nå længere, end de fundamentale dimensioner tillader. En organisation, der på activation-niveau ønsker at bruge AI til lejerkommunikation, men på foundation-niveau stadig sidder fast i datastyring, kører sig selv fast, i det øjeblik anvendelsen kræver mere, end et pilotprojekt kan levere. Hvorfor denne rækkefølge er fastlagt og ikke til forhandling, kan De læse på siden om de fundamentale dimensioner først.
En af delene af målingen er en plot-runde: flere personer i organisationen scorer de syv dimensioner hver for sig, uden at se hinandens svar. I ejendomsorganisationer giver det ofte en større spredning end i sektorer med en mere centralt styret drift. Asset manageren scorer datastyringsdimensionen højt, fordi porteføljeoplysningerne i eget system stemmer; facility manageren scorer lavt, fordi vedligeholdelsesdataene fra eksterne parter aldrig er blevet ordentligt koblet sammen. Begge billeder er korrekte for den del af organisationen, de ser, og netop denne spredning er den første diagnose: ikke det gennemsnitlige niveau, men manglen på et fælles billede.
Denne spredning kan funktionelt sammenlignes med det, der ses i [ejendomssektoren](#) ved siden af andre kapitalintensive sektorer som byggeriet og installationsbranchen, hvor arbejdet ligeledes er fordelt over flere parter og faser. I alle disse sektorer opstår den største risiko ikke af manglende ambition, men af fraværet af et fælles billede af, hvor organisationen reelt befinder sig, før der tales om udrulning.
Denne måling siger intet om, hvilke opgaver i en ejendomsorganisation der kan overtages af AI. Det handler om bæreevne: kan organisationen bære AI, givet tilstanden af dens fundamenter. Det er et andet spørgsmål end, hvad AI kan overtage af vurderingsarbejde, kontraktforvaltning eller rapportering. Den, der søger det sidstnævnte svar, finder det ikke i denne måling, men i et andet værktøj.
Modenhedsmålingen fra hybridresourcing er i øjeblikket under opbygning. Der findes endnu ikke et værktøj, man kan gennemføre i dag. Den, der ønsker at bruge målingen, så snart den er tilgængelig, kan tilmelde sig ventelisten; der loves intet om en dato, kun at den, der tilmelder sig, informeres først.
Så snart det er klart, om fundamenterne i en ejendomsorganisation kan bære AI, opstår det næste spørgsmål: hvilken del af det faktiske arbejde — objektforvaltning, lejerkontakt, rapportering, vurderingsstøtte — kan overtages af AI. Det spørgsmål besvarer målingen på denne side ikke; det er arbejdsscanen fra FTE TO AI, der beregner det pr. opgave. Et godt udgangspunkt for den beregning er et overblik over de beslutninger, der træffes i arbejdsprocessen, som siden om hvad der hører til i en beslutningsoversigt giver en indføring i, ligesom de sammenlignelige spørgsmål i sundhedssektoren, hvor den samme adskillelse mellem bæreevne og opgaveovertagelse gør sig gældende.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.